doi: 10.52899/24141437_2026_03_281
УДК: 004.4, 004.65, 004.67, 62

Оптимизация технологической подготовки производства через семантическое моделирование маршрутов

Глазырина Д. О., Губанов Ю. А., Гукова Л. В., Хруцкий О. В.
Язык статьи: русский
Ссылка для цитирования: Глазырина Д.О., Губанов Ю.А., Гукова Л.В., Хруцкий О.В. Оптимизация технологической подготовки производства через семантическое ­ моделирование маршрутов // Труды Санкт-Петербургского государственного морского технического университета. 2026. Т. 5, № 3. С. 281–288. DOI: 10.52899/24141437_2026_03_281 EDN: KJURNR

Аннотация

Актуальность. В настоящее время остаётся актуальной проблема автоматизации технологической подготовки производства (Computer-Aided Process Planning, CAPP) в машиностроении. Существующие CAD/CAM-системы не обеспечивают сквозного проектирования из-за недостаточной интеграции, детерминированности алгоритмов и разрыва связей между конструкторскими и производственными данными. В результате технолог вынужден тратить значительное время на рутинные операции, связанные с поиском информации в разрозненных справочниках, ручным переносом параметров из чертежей в технологические карты и многократным повторением одних и тех же данных при заполнении документов по ГОСТу, что снижает оперативность реагирования на изменения плана и увеличивает себестоимость продукции.  Цель. Разработка технического задания и обоснование информационно-логической модели на основе ориентированного ациклического графа, которая обеспечит автоматизированную генерацию маршрутов, сократит время технологической подготовки и повысит качество решений за счёт семантической связности данных.  Методы. В качестве способа решения проблемы автоматизации технологической подготовки производства предлагается информационно-логическая модель на базе ориентированного ациклического графа. Модель опирается на пять интегрированных справочников (материалы, оборудование, инструмент, типовые решения, контроль качества), что позволяет формализовать процесс. Методом решения является приведённый в работе алгоритм работы системы, где на основе геометрии 3D-модели и базы знаний системы автоматически генерируются маршруты, а технолог выполняет их верификацию с возможностью машинного обучения системы.  Результаты. Внедрение подхода сокращает время технологической подготовки производства и повышает прозрачность производства, создавая основу для интеграции с системами исполнения производства (Manufacturing Execution System, MES) и планирования ресурсов (Enterprise Resource Planning, ERP) и реализации концепции «цифрового двойника».  Заключение. Использование разработанной информационно-логической модели ведёт к сокращению цикла технологической подготовки производства и повышению оперативности принятия решений. Ключевые слова: автоматизация проектирования,машиностроение,технологическая подготовка производства,CAPP-системы,технологический маршрут,цифровой двойник

Список литературы

1. Chaker B., Damak C. Integrating smart manufacturing and industry 4.0: Technologies for production management optimization in supply In: Revolutionizing Supply Chains Through Digital Transformation. 2023. Vol. 120. P. 1410-1415.
2. Кулик В.И., Нилов А.С. Автоматизированные системы технологической подготовки производства в машиностроении. Санкт Петербург: Балтийский государственный технический университет. Военмех; 2018. 98 с.
3. Оголь И.И. Создание управляющих программ с помощью САМсистем. Томск: Изд-во ТПУ; 2014. 46 с.
4. Кулябина О.В., Кулябин А.В. Последствия усталости на психический фон при принятии решений. Научно-практический электронный журнал Аллея Науки. 2024. № 3(90). С. 714-718. EDN: DQDTSQ.
5. Колесников А.С. Роль координирующей интеграции в PDM и CAD системах. Современные проблемы науки и образования. 2007. № 8.
6. Dannen T., Gey M., Weber S., et al. Approaches for automated and computeraided work plan generation for adaptive manufacturing process chains in oneoff manufacturing-a literature review. Procedia CIRP. 2025. P. 187-214.
7. Белоусов Е.И. Сравнительный анализ языков программирования PYTHON, C++ и JAVA для обучения в старшей школе. Вестник науки. 2026. Т. 2, № 6 (99). С. 1539-1543. EDN: BVYMNP.
8. Францев Д.Н. Сравнение языков программирования для выполнения многопоточных задач. Вестник магистратуры. 2025. № 3-2 (162). С. 10-11. EDN: WACFRJ.
9. Chollet F. Deep Learning with Python. New York: Pearson Education; 2017. P. 350.
10. Pereira R., Couto M., Ribeiro F., et al. Energy efficiency across programming languages: how do energy, time, and memory relate? В кн.: Proceedings of the 10th ACM SIGPLAN International Conference of Software Language Engineering (SLE’17), October 23-24, 2017. Vancouver, Canada. ACV, New York, NY, USA. 2017. P. 256-267. DOI: 10.1145/3136014.313603.